Análise textual automática : apreensibilidade e qualidade da informação na área da saúde
Autor(a) principal: | |
---|---|
Data de Publicação: | 2016 |
Tipo de documento: | Trabalho de conclusão de curso |
Idioma: | por |
Título da fonte: | Repositório Institucional da UCS |
Texto Completo: | https://repositorio.ucs.br/handle/11338/1544 |
Resumo: | O acesso facilitado de pessoas e pacientes a fontes de informação sobre saúde ampliou a necessidade de que tais informações disponíveis sejam revisadas e analisadas, principalmente em contextos onde o paciente deve participar da decisão do seu tratamento. A análise textual é caracterizada pela apreensibilidade e a qualidade do conteúdo. A apreensibilidade de um texto trata da facilidade de compreensão. Existem diversas fórmulas utilizadas para avaliá-la (Flesch Reading Ease, SMOG Index, etc.). A qualidade textual, por sua vez, é abordada através de estudos realizados sobre Mineração de Textos. A Mineração de Textos caracteriza-se como um processo que contém diversas técnicas a fim de organizar, descobrir e extrair informações em bases de dados textuais de forma ágil e automática. O objetivo principal deste trabalho foi propor a concepção de uma ferramenta web para avaliar textos em português a partir da fórmula de apreensibilidade Fernández-Huerta e técnicas de classificação (J48, Bayes Net, Naïve Bayes, Support Vector Machines, K-Nearest Neighbors e Multilayer Perceptron). Para atingir o objetivo proposto, coletou-se uma amostra de dados textual composta por textos de sites sobre saúde na internet. O conjunto de dados foi dividido entre dados para treinamento e dados para testes. A fim de proceder com as análises, implementou-se uma ferramenta de plataforma web para apoiar tanto a análise de apreensibilidade quanto de qualidade da informação. Foram realizados testes com o software. Os resultados obtidos foram comparados com classificações realizadas por especialistas humanos. Identificou-se que o algoritmo Naïve Bayes apresentou os melhores resultados na classificação dos dados (89% de acerto). Como conclusão, considera-se que os resultados são promissores e evidenciam a viabilidade de uso de técnicas de aprendizado automático no tratamento de textos da área da saúde (sic). |
id |
UCS_96656835c2a6113627e00dffe873d230 |
---|---|
oai_identifier_str |
oai:repositorio.ucs.br:11338/1544 |
network_acronym_str |
UCS |
network_name_str |
Repositório Institucional da UCS |
repository_id_str |
|
spelling |
Abel, Fernando AndrioloNotari, Daniel LuísRibeiro, Helena GraziottinWebber, Carine Geltrudes2017-02-07T12:20:12Z2017-02-07T12:20:12Z2016https://repositorio.ucs.br/handle/11338/1544O acesso facilitado de pessoas e pacientes a fontes de informação sobre saúde ampliou a necessidade de que tais informações disponíveis sejam revisadas e analisadas, principalmente em contextos onde o paciente deve participar da decisão do seu tratamento. A análise textual é caracterizada pela apreensibilidade e a qualidade do conteúdo. A apreensibilidade de um texto trata da facilidade de compreensão. Existem diversas fórmulas utilizadas para avaliá-la (Flesch Reading Ease, SMOG Index, etc.). A qualidade textual, por sua vez, é abordada através de estudos realizados sobre Mineração de Textos. A Mineração de Textos caracteriza-se como um processo que contém diversas técnicas a fim de organizar, descobrir e extrair informações em bases de dados textuais de forma ágil e automática. O objetivo principal deste trabalho foi propor a concepção de uma ferramenta web para avaliar textos em português a partir da fórmula de apreensibilidade Fernández-Huerta e técnicas de classificação (J48, Bayes Net, Naïve Bayes, Support Vector Machines, K-Nearest Neighbors e Multilayer Perceptron). Para atingir o objetivo proposto, coletou-se uma amostra de dados textual composta por textos de sites sobre saúde na internet. O conjunto de dados foi dividido entre dados para treinamento e dados para testes. A fim de proceder com as análises, implementou-se uma ferramenta de plataforma web para apoiar tanto a análise de apreensibilidade quanto de qualidade da informação. Foram realizados testes com o software. Os resultados obtidos foram comparados com classificações realizadas por especialistas humanos. Identificou-se que o algoritmo Naïve Bayes apresentou os melhores resultados na classificação dos dados (89% de acerto). Como conclusão, considera-se que os resultados são promissores e evidenciam a viabilidade de uso de técnicas de aprendizado automático no tratamento de textos da área da saúde (sic).Mineração de dados (Computação)Ensino auxiliado por computadorAnálise textual automática : apreensibilidade e qualidade da informação na área da saúdeinfo:eu-repo/semantics/publishedVersioninfo:eu-repo/semantics/bachelorThesisporreponame:Repositório Institucional da UCSinstname:Universidade de Caxias do Sul (UCS)instacron:UCSinfo:eu-repo/semantics/openAccessUniversidade de Caxias do SulBacharelado em Ciência da ComputaçãoTEXTTCC Fernando Andriolo Abel.pdf.txtTCC Fernando Andriolo Abel.pdf.txtExtracted texttext/plain133839https://repositorio.ucs.br/xmlui/bitstream/11338/1544/3/TCC%20Fernando%20Andriolo%20%20Abel.pdf.txt2afda4983b16c6e68502aa2027df7385MD53THUMBNAILTCC Fernando Andriolo Abel.pdf.jpgTCC Fernando Andriolo Abel.pdf.jpgGenerated Thumbnailimage/jpeg1212https://repositorio.ucs.br/xmlui/bitstream/11338/1544/4/TCC%20Fernando%20Andriolo%20%20Abel.pdf.jpgf86a6705f4671af52adb0547b94ec299MD54ORIGINALTCC Fernando Andriolo Abel.pdfTCC Fernando Andriolo Abel.pdfapplication/pdf2814320https://repositorio.ucs.br/xmlui/bitstream/11338/1544/1/TCC%20Fernando%20Andriolo%20%20Abel.pdf84737dcfd88ac2aafd36ad16f34577b2MD51LICENSElicense.txtlicense.txttext/plain; charset=utf-81748https://repositorio.ucs.br/xmlui/bitstream/11338/1544/2/license.txt8a4605be74aa9ea9d79846c1fba20a33MD5211338/15442018-08-17 06:34:14.392oai:repositorio.ucs.br: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Repositório de Publicaçõeshttp://repositorio.ucs.br/oai/requestopendoar:2024-05-06T09:59:03.513353Repositório Institucional da UCS - Universidade de Caxias do Sul (UCS)false |
dc.title.pt_BR.fl_str_mv |
Análise textual automática : apreensibilidade e qualidade da informação na área da saúde |
title |
Análise textual automática : apreensibilidade e qualidade da informação na área da saúde |
spellingShingle |
Análise textual automática : apreensibilidade e qualidade da informação na área da saúde Abel, Fernando Andriolo Mineração de dados (Computação) Ensino auxiliado por computador |
title_short |
Análise textual automática : apreensibilidade e qualidade da informação na área da saúde |
title_full |
Análise textual automática : apreensibilidade e qualidade da informação na área da saúde |
title_fullStr |
Análise textual automática : apreensibilidade e qualidade da informação na área da saúde |
title_full_unstemmed |
Análise textual automática : apreensibilidade e qualidade da informação na área da saúde |
title_sort |
Análise textual automática : apreensibilidade e qualidade da informação na área da saúde |
author |
Abel, Fernando Andriolo |
author_facet |
Abel, Fernando Andriolo |
author_role |
author |
dc.contributor.other.none.fl_str_mv |
Notari, Daniel Luís Ribeiro, Helena Graziottin |
dc.contributor.author.fl_str_mv |
Abel, Fernando Andriolo |
dc.contributor.advisor1.fl_str_mv |
Webber, Carine Geltrudes |
contributor_str_mv |
Webber, Carine Geltrudes |
dc.subject.por.fl_str_mv |
Mineração de dados (Computação) Ensino auxiliado por computador |
topic |
Mineração de dados (Computação) Ensino auxiliado por computador |
description |
O acesso facilitado de pessoas e pacientes a fontes de informação sobre saúde ampliou a necessidade de que tais informações disponíveis sejam revisadas e analisadas, principalmente em contextos onde o paciente deve participar da decisão do seu tratamento. A análise textual é caracterizada pela apreensibilidade e a qualidade do conteúdo. A apreensibilidade de um texto trata da facilidade de compreensão. Existem diversas fórmulas utilizadas para avaliá-la (Flesch Reading Ease, SMOG Index, etc.). A qualidade textual, por sua vez, é abordada através de estudos realizados sobre Mineração de Textos. A Mineração de Textos caracteriza-se como um processo que contém diversas técnicas a fim de organizar, descobrir e extrair informações em bases de dados textuais de forma ágil e automática. O objetivo principal deste trabalho foi propor a concepção de uma ferramenta web para avaliar textos em português a partir da fórmula de apreensibilidade Fernández-Huerta e técnicas de classificação (J48, Bayes Net, Naïve Bayes, Support Vector Machines, K-Nearest Neighbors e Multilayer Perceptron). Para atingir o objetivo proposto, coletou-se uma amostra de dados textual composta por textos de sites sobre saúde na internet. O conjunto de dados foi dividido entre dados para treinamento e dados para testes. A fim de proceder com as análises, implementou-se uma ferramenta de plataforma web para apoiar tanto a análise de apreensibilidade quanto de qualidade da informação. Foram realizados testes com o software. Os resultados obtidos foram comparados com classificações realizadas por especialistas humanos. Identificou-se que o algoritmo Naïve Bayes apresentou os melhores resultados na classificação dos dados (89% de acerto). Como conclusão, considera-se que os resultados são promissores e evidenciam a viabilidade de uso de técnicas de aprendizado automático no tratamento de textos da área da saúde (sic). |
publishDate |
2016 |
dc.date.submitted.none.fl_str_mv |
2016 |
dc.date.accessioned.fl_str_mv |
2017-02-07T12:20:12Z |
dc.date.available.fl_str_mv |
2017-02-07T12:20:12Z |
dc.type.status.fl_str_mv |
info:eu-repo/semantics/publishedVersion |
dc.type.driver.fl_str_mv |
info:eu-repo/semantics/bachelorThesis |
format |
bachelorThesis |
status_str |
publishedVersion |
dc.identifier.uri.fl_str_mv |
https://repositorio.ucs.br/handle/11338/1544 |
url |
https://repositorio.ucs.br/handle/11338/1544 |
dc.language.iso.fl_str_mv |
por |
language |
por |
dc.rights.driver.fl_str_mv |
info:eu-repo/semantics/openAccess |
eu_rights_str_mv |
openAccess |
dc.source.none.fl_str_mv |
reponame:Repositório Institucional da UCS instname:Universidade de Caxias do Sul (UCS) instacron:UCS |
instname_str |
Universidade de Caxias do Sul (UCS) |
instacron_str |
UCS |
institution |
UCS |
reponame_str |
Repositório Institucional da UCS |
collection |
Repositório Institucional da UCS |
bitstream.url.fl_str_mv |
https://repositorio.ucs.br/xmlui/bitstream/11338/1544/3/TCC%20Fernando%20Andriolo%20%20Abel.pdf.txt https://repositorio.ucs.br/xmlui/bitstream/11338/1544/4/TCC%20Fernando%20Andriolo%20%20Abel.pdf.jpg https://repositorio.ucs.br/xmlui/bitstream/11338/1544/1/TCC%20Fernando%20Andriolo%20%20Abel.pdf https://repositorio.ucs.br/xmlui/bitstream/11338/1544/2/license.txt |
bitstream.checksum.fl_str_mv |
2afda4983b16c6e68502aa2027df7385 f86a6705f4671af52adb0547b94ec299 84737dcfd88ac2aafd36ad16f34577b2 8a4605be74aa9ea9d79846c1fba20a33 |
bitstream.checksumAlgorithm.fl_str_mv |
MD5 MD5 MD5 MD5 |
repository.name.fl_str_mv |
Repositório Institucional da UCS - Universidade de Caxias do Sul (UCS) |
repository.mail.fl_str_mv |
|
_version_ |
1813258418557812736 |